Bacterial protein function prediction via multimodal deep learning
يقدم البحث إطار عمل DeepEST، وهو إطار تعلم عميق متعدد الوسائط يدمج التعبير الجيني، والموقع الجينومي، وبنية البروتين للتنبؤ بدقة بمصطلحات الوجودية الجينية (Gene Ontology) للبروتينات البكتيرية، متفوقاً بذلك على الأساليب الحالية وممكناً من التوصيف الوظيفي للبروتينات الافتراضية غير المصنفة عبر المسببات المرضية البشرية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
تخيل أن لديك مكتبة ضخمة من أدلة التعليمات لبناء مدينة. في هذه المدينة، "المباني" هي البكتيريا، و"أدلة التعليمات" هي بروتيناتها. لفترة طويلة، تمكن العلماء من قراءة نص هذه الأدلة (تسلسلات الحمض النووي DNA)، ولكن بالنسبة لما يقرب من 60% منها، فإن صفحة العنوان فارغة. نحن نعرف مما يتكون البروتين، لكن ليس لدينا أدنى فكرة عن ماذا يفعل. هل هو عامل بناء؟ أم سباك؟ أم حارس أمن؟
هذه مشكلة كبيرة، لأننا إذا لم نعرف وظائف الأجزاء، فلن نتمكن من إصلاح المدينة عندما تتعطل (مثل عندما تسبب البكتيريا الأمراض) أو تحسينها (مثل صنع وقود حيوي أفضل).
إليك DeepEST، وهي أداة ذكاء اصطناعي جديدة ابتكرها فريق من الباحثين لحل هذا الغموض. إليك كيف تعمل، مشروحة من خلال بعض التشبيهات البسيطة.
الطريقة القديمة: التخمين من خلال خط اليد
في السابق، حاول العلماء معرفة وظيفة البروتين من خلال النظر إلى "خط يده" (تسلسل الأحماض الأمينية). إذا بدا دليل تعليمات جديد مشابهاً جداً لدليل قديم نفهمه بالفعل، فقد افترضوا أنهما يقومان بنفس الوظيفة.
- المشكلة: البكتيريا مخادعة. يمكن أن يكون لديها "خط يد" مختلف تماماً ولكنها تؤدي نفس الوظيفة تماماً، أو قد تبدو متشابهة ولكنها تفعل شيئاً مختلفاً تماماً. الأمر يشبه محاولة تخمين وظيفة شخص ما بمجرد النظر إلى خط يده؛ فقد يكتب الطبيب والخباز بطريقة متشابهة جداً، لكن وظائفهما متباعدة تماماً.
حل DeepEST: "المحقق الخارق"
DeepEST تشبه المحقق الخارق الذي لا يكتفي بالنظر إلى خط اليد فحسب، بل يجمع ثلاثة أنواع مختلفة من الأدلة لحل القضية:
1. المخطط الهندسي (بنية البروتين)
تخيل أن لديك نموذجاً ثلاثي الأبعاد لأداة ما. إذا رأيت شكلاً يشبه المفتاح الإنجليزي، فستعرف أنه مخصص لشد البراغي. DeepEST ينظر إلى الشكل ثلاثي الأبعاد للبروتين. حتى لو كان "خط اليد" غريباً، فإن الشكل غالباً ما يكشف عن الوظيفة.
- الخدعة: تم تدريب الذكاء الاصطناعي على ملايين الأشكال المعروفة (مثل نجار ماهر شاهد كل الأدوات في العالم). يستخدم هذه المعرفة لتخمين وظيفة الأدوات الجديدة، لكنه يعدل عقله خصيصاً ليتناسب مع البكتيريا.
2. خريطة الحي (موقع الجين)
في البكتيريا، يتم ترتيب أدلة التعليمات في دائرة. إليك دليلاً حاسماً: الجيران عادة ما يعملون معاً.
- التشبيه: فكر في الجينوم البكتيري كحي سكني دائري. إذا رأيت منزلاً عليه لافتة "فرن بيتزا"، والمنزل المجاور له مباشرة عليه لافتة "شاحنة توصيل"، يمكنك تخمين أن المنزل الثاني هو أيضاً جزء من أعمال البيتزا.
- ينظر DeepEST إلى مكان وجود الجين على هذه الخريطة الدائرية. إذا كان هناك جين غامض يقع بجوار جينات معروفة بمكافحة العدوى، فإن DeepEST يخمن: "مهلاً، هذا الجين الغامض ربماً يكافح العدوى أيضاً!"
3. خاتم الحالة المزاجية (تعبير الجين)
البروتينات لا تعمل على مدار الساعة طوال الأسبوع. فهي تعمل وتتوقف بناءً على الموقف.
- التشبيه: تخيل حارس أمن يظهر فقط عندما تمطر. إذا رأيت عاملاً غامضاً يظهر فقط عندما يحدث "المطر" (الإجهاد)، فيمكنك تخمين أنه "متخصص في الاستجابة للمطر".
- يتحقق DeepEST من قاعدة بيانات لكيفية تفاعل الجينات مع الإجهاد (مثل الحرارة، أو الحموضة، أو نقص الغذاء). إذا أضاء جين غامض بالضبط عندما تتعرض البكتيريا للهجوم، يستخدم الذكاء الاصطناعي هذا السياق لتخمين وظيفته.
كيف يجمعون كل هذا معاً
DeepEST هو نظام متعدد الوسائط (multimodal)، وهي طريقة منمقة للقول بأنه يجمع كل هذه الأدلة معاً في وقت واحد.
- يأخذ الشكل ثلاثي الأبعاد (مظهر الأداة).
- يضيف إليه الموقع في الحي (من يسكن بجواره).
- يضيف إليه رد الفعل تجاه الإجهاد (متى يظهرون).
ثم يستخدم "نظام تصويت" رياضياً خاصاً لدمج هذه الأدلة. إذا قال الشكل إنه "سباك"، ولكن الحي يقول إنه "كهربائي"، فإن الذكاء الاصطناعي يزن الأدلة ليقدم التخمين الأكثر ذكاءً وملاءمة.
لماذا هذا مهم؟
اختبر الباحثون DeepEST على 25 نوعاً مختلفاً من البكتيريا الخطيرة (مثل E. coli و Salmonella).
- النتيجة: لقد تفوق على جميع الطرق القديمة. لم يكتفِ بالتخمين فحسب، بل اكتشف الوظائف المحددة لما يقرب من 7,000 بروتين لم تكن معروفة سابقاً.
- الأثر: قبل ذلك، كانت هذه البروتينات تُعتبر "افتراضية" (بمعنى أننا لم نكن نعرف وجودها أو ماذا تفعل). الآن، أصبح لدى العلماء خارطة طريق. يمكنهم القول: "حسناً، هذا البروتين غالباً ما يكون مرتبطاً بإصلاح الحمض النووي"، ومن ثم تصميم تجربة لاختبار ذلك.
الخلاصة
DeepEST يشبه منح العلماء نظارات تسمح لهم برؤية غير المرئي. من خلال الجمع بين شكل البروتين، وعنوانه في الجينوم البكتيري، وسلوكه تحت الضغط، فإنه يحول كومة من الأجزاء المجهولة إلى دليل تعليمات واضح لكيفية بقاء البكتيريا وتسببها في الأمراض. وهذا يساعدنا على فهم العدو بشكل أفضل، وهي الخطوة الأولى لهزيمته.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.